STATENS VEGVESEN, VEGDIREKTORATET
METODER FOR Å BEREGNE EFFEKTER AV
SYKKELTILTAK
MARS 2015
STATENS VEGVESEN, VEGDIREKTORATET
METODER FOR Å BEREGNE EFFEKTER AV
SYKKELTILTAK
ADRESSE COWI AS Grensev. 88
Postboks 6412 Etterstad 0605 Oslo
TLF +47 02694
WWW cowi.no
OPPDRAGSNR. A054912 DOKUMENTNR. 1
VERSJON 3
UTGIVELSESDATO 17. mars 2015 UTARBEIDET H Samstad, M K Nielsen KONTROLLERT Y Sangueza, H Søiland GODKJENT H Samstad
INNHOLD
1 Innledning 7
2 Effekt på omfang av sykling 9
2.1 Metoder 9
2.2 Styrker og svakheter ved transportmodeller 9
2.3 Mikrosimuleringsmodeller 16
2.4 ATP-modell 16
2.5 Egne etterspørselsmodeller for sykkel 17
2.6 Tommelfingerregler og erfaringstall 18
2.7 Konstant etterspørsel 20
2.8 Metoder for å skaffe datagrunnlag 20
2.9 Etterspørselselastisiteter 22
2.10 Metodenes egnethet ved ulike typer sykkeltiltak 23
3 Nyttekostnadsanalyse 25
3.1 Nyttekostnadsanalyse i Norge og tilpasning til
sykkeltiltak 25
3.2 Metoder for samfunnsøkonomisk analyse av
sykkeltiltak i utvalgte land 27
3.3 Prissetting av effekter 30
4 Samlet vurdering og anbefalinger 41
4.1 Oppsummering og anbefalinger for
effektberegninger av sykkeltiltak 41
4.2 Oppsummering og anbefalinger for
nyttekostnadsanalyse av sykkeltiltak 42
5 Litteraturliste 44
Bilag A Litteraturgjennomgang 47
Forord
På oppdrag fra Statens vegvesen har COWI utført en litteraturstudie med formål å oppsummere kunnskapsstatus om metoder for å beregne effekter av sykkeltiltak, og komme med anbefalinger for videreutvikling av norske beregningsverktøy.
I COWI har arbeidet vært ledet av Hanne Samstad. Medarbeidere har vært Malene Kofod Nielsen (COWI Danmark) og Yuri Sangueza. Hanne Søiland har bistått med oversettelse og gjennomlesing av tidligere rapportutkast.
Kontaktperson i Statens vegvesen har vært Guro Berge. Fra etaten har også en prosjektgruppe bestående av Anne Kjerkreit, Oskar Kleven, James Odeck og Henrik Vold deltatt. Vi vil takke alle de medvirkende for gode innspill underveis.
Helsfyr, 17.mars 2015.
1 Innledning
Statens vegvesen og de øvrige transportetatene anvender et modellsystem for å kunne analysere foreslåtte og planlagte tiltak. I sitt planarbeid har de behov for å vurdere om tiltak bør gjennomføres eller ikke, og veie ulike alternativer opp mot hverandre.
Formålet med denne rapporten er å gi en oversikt over kunnskapsstatus når det gjelder metoder for å beregne effekter av sykkeltiltak, og foreslå hvordan norsk metode kan videreutvikles. Utarbeidelsen av kunnskapsstatus er gjort ved hjelp av en litteraturstudie som omfatter dokumentasjon av norske og utenlandske
sykkelprosjekter.
De regionale transportmodellene (RTM), nasjonal transportmodell (NTM) for lange reiser og EFFEKT for nyttekostnadsanalyse er spesielt utviklet for å anslå
virkningene av tiltak som påvirker bil- og kollektivtransport. Gang og sykkel er inkludert i dette modellsystemet, men ikke på en slik måte at det egner seg særlig godt til å analysere virkninger av sykkeltiltak. Dersom sykkeltiltak skulle behandles på tilsvarende måte som tiltak for bil- og kollektivtrafikk, måtte man for det første ha tilstrekkelig kunnskapsgrunnlag til å kvantifisere sammenhengen mellom
sykkeltiltaket og indikatorer for de direkte virkningene på reiselengde, reisetider o.l.
Videre måtte man ha etterspørselsfunksjoner som beskriver hvordan endring i disse indikatorene slår ut i antall reiser med sykkel, og hvor mange reiser som da overføres fra andre transportmidler. Dette er de trafikale konsekvensene av tiltaket.
Ikke bare antall reiser, men også totalt antall sykkelkilometer, sykkeltimer og virkningen på kjøretøykilometer med andre transportmidler inngår her. De trafikale konsekvensene generer i neste trinn endringer i nytte og kostnader ved tidsbruk, helse, trafikksikkerhet og miljø. Nytte og kostnader prissettes i kroner, slik at man kan beregne de samfunnsøkonomiske virkningene av tiltaket.
Gjennomgangen i denne rapporten er todelt. Først tar vi for oss metoder for å beregne effekten på omfanget av sykling som følge av sykkeltiltak (kapittel 2). I dette kapitlet behandles transportmodeller og andre metoder for effektberegning.
Deretter ser vi nærmere på nyttekostnadsanalyse av sykkeltiltak, og sammenlikner metode og enhetspriser i Norge med noen utvalgte land (kapittel 3).
Til slutt oppsummeres de viktigste funnene og det gis anbefalinger for videre utvikling av transportmodeller og nyttekostnadsanalyse for sykkeltiltak i Norge (kapittel 4). Kapitlet fungerer også som et kortfattet sammendrag av rapporten.
I rapportens vedlegg er det gitt en kort omtale av litteratur som er gjennomgått i prosjektet.
2 Effekt på omfang av sykling
2.1 Metoder
I dette kapitlet gjennomgås ulike metoder for å beregne hvor stor effekt tiltak kan ha på omfanget av sykling. Typer av metoder som omtales er:
›
Transportmodeller (av samme type som RTM)›
Mikrosimulering›
Areal- og transportplanleggingsmodell›
Egne etterspørselsmodeller for sykkel›
Tommelfingerregler og erfaringstall›
Beregninger uten hensyn til etterspørselseffektTil slutt i kapitlet pekes det på noen måter å skaffe data på til modellene, og det presenteres noen elastisiteter fra litteraturen.
2.2 Styrker og svakheter ved transportmodeller
Transportmodeller som i dag har utbredt anvendelse innenfor offentlig planlegging og analyse av tiltak, har noen svakheter når det gjelder evnen til å modellere virkninger på sykling av transporttiltak generelt og virkninger av sykkeltiltak spesielt:
›
Transportnettverket for sykkel er ikke godt nok representert. Nettverket for biltrafikk er ikke en god nok tilnærming da rutevalg, avstander og reisetider ofte vil avvike.›
Variablene som bestemmer trafikantatferden i modellene omfatter ikke enkelte variabler som i virkeligheten viser seg å være meget relevante forsykkelatferd.
Dette er hovedpunkter både i Urbanets gjennomgang i "Sykkel i dagens transportmodeller" (Haug m.fl., 2014) og i COWIs innspill til seminar i
Vegdirektoratet november 2013 (COWI, 2013). Det er også påpekt i NCHRP- rapporten "Estimating Bicycling and Walking for Planning and Project Development: A Guidebook" (Kuzmyak m.fl., 2014). Transportnettverk og modellvariabler behandles i avsnittene nedenfor.
2.2.1 Transportnettverk
Trafikkplanleggere som er vant med å benytte seg av nettverksdata for bil- og kollektivtrafikk kunne nok ønske at det forelå like komplette data for
sykkelnettverket. Det ville imidlertid være veldig omfattende å skulle samle data for alle mulige rutevalg som kan gjøres med sykkel. Syklistene behøver ikke hele tiden å holde seg til vegnettet for biltrafikk eller nettet av gang- og sykkelveger. Som syklist kan man ta seg fram også utenfor veg, for eksempel tvers over en
parkeringsplass. Slike "snarveier" reduserer reisetiden og bidrar til å gjøre sykling mer attraktivt. Dette kommer ikke fram i dagens transportmodeller. Selv om ikke alle mulige rutevalg for sykkel blir inkludert, er det et potensial for å etablere mer realistiske sykkelnettverk i transportmodeller.
GPS-baserte app'er kan være et hjelpemiddel til å samle inn data om sykkelruter. I treningsapp'er som for eksempel Strava registreres rutene som brukerne har syklet slik at de er synlige i kart, og det registreres også lengde og tidsbruk. En syklist som har en slik app kan se ruter samt lengde og tid på rutesegmenter fra andre brukeres sykkelturer. Denne typen app brukes gjerne til treningsformål, men kan også anvendes for å finne de beste rutene ved sykling til jobb eller andre
destinasjoner.
Det kan være begrensninger på bruken av data fra kommersielle tjenester som treningsapp'er, men det finnes eksempler på at tilsvarende hjelpemidler er brukt til å etablere data om sykkelruter i byområder. I San Francisco ble GPS brukt til å samle data om syklisters faktiske rutevalg, i regi av San Francisco County
Transportation Authority. Formålet var ikke kun å kartlegge sykkelruter. Datasettet ga et også grunnlag for å tallfeste hvor stor rolle ulike egenskaper ved ruta spilte relativt til reiselengde, for eksempel hvor stor omvei man er villig til å sykle for å unngå en oppoverbakke (Kuzmyak m.fl., 2014). Avdekkingen av syklistenes preferanser kan brukes til å prioritere mellom tiltak.
2.2.2 Modellvariabler
Når det gjelder variabler som er viktig for sykling og som kunne gjøre modellering av sykkelatferd mer realistisk, er følgende forhold omtalt i flere av kildene i vår litteraturstudie:
›
Topografi›
Kvaliteten på sykkelinfrastrukturen, dvs. at det skilles mellom blandet trafikk, gang- og sykkelveg, oppmerket sykkelfelt, sykkelekspressveg e.l.›
Vær, inkludert temperatur og nedbør›
Befolkningstetthet, arealbruksmønsterLitteraturfunn angående disse forholdene blir presentert her.
Topografi I analysen av data fra transportvaneundersøkelsen i Danmark (Christensen og Jensen, 2008) er spesifikke opplysninger om personenes turer en bestemt dag også sammenholdt med terreng, temperatur, vind, dagslys og andre forhold.
Basert på transportvaneundersøkelsen ser man en faktor 2 i forhold til hvordan terreng påvirker sykkelens transportarbeid. Hvis hele Danmark hadde vært like kupert som byen Vejle (35 høydemeter) ville kun 10 prosent sykle, mot 17 prosent som er gjennomsnittet i Danmark. Disse forholdene er innarbeidet i en beregning av overflyttingspotensialet fra bil til sykkel og gange.
Den britiske studien «Estimation of the Determinants of Bicycle Mode Share for the Journey to Work using Census Data» (Parkin m.fl., 2008) viser at elastisiteten mellom topografi og sykling er -0,893, og indikerer at en økning i terrengforskjell på 10 prosent vil resultere i en reduksjon i sykkeltrafikk til arbeid på 8,9 prosent. Det vises samtidig en sammenheng mellom befolkningstetthet og potensialet for sykling.
Siden høydeforskjeller har stor relevans i norske byer ville det være interessant å få tilsvarende opplysninger for Norge, da det vil være avgjørende for om én rute vil være bedre å investere i enn en annen. Byens struktur i forhold til topografi ville også være interessant å få avdekket med tanke på transportmiddelvalg. ATP- modellen som omtales i avsnitt 2.4 er et norsk eksempel.
Haug m.fl. (2014) sammenstiller flere undersøkelser inklusiv eldre norske undersøkelser. Her er konklusjonen at sykkelandelen er signifikant lavere i byområder med mange bakker. Det er sett på fem byområder – Trondheim, Tønsberg, Kristiansand, Drammen og Sarpsborg/Fredrikstad – med henblikk på sammenheng mellom høyde og sykling på korte turer. Som det ses av Figur 2-1 faller sykkelandelen når terrengforskjellen er over 20 meter.
Figur 2-1 Sykkelandel på korte reiser med ulik høydedifferanse. Kilde: Haug m.fl. (2014).
Elsykkelen bidrar til at topografi blir en mindre avgjørende faktor, da elmotoren gir hjelp i oppoverbakke. Elsykler får stadig større innpass som et transportmiddel som benyttes av alle aldersgrupper og til alle formål, herunder pendling. Det er ikke funnet studier av elsykkelens betydning for syklistenes valg av transportmiddel, rute o.l. men ut fra konkrete prosjekter blant annet i Danmark og omtaler av
elsykkelbruk i både Norge, Danmark, Tyskland ser det ut til at elsykkelen bidrar til å utvide den radien som oppleves som naturlig i daglig transport, og det må antas at det også vil ha innvirkning på valg av elsykkel framfor bil eller vanlig sykkel i kupert terreng. Det pågår for tiden et større elsykkelprosjekt i Danmark med 1 700
elsyklister. Forsøket har til formål å få bilister til å benytte elsykkel istedenfor bil.
Topografi er ikke en parameter som studeres i prosjektet, men det samles inn data blant annet om kjøremønster ved hjelp av GPS og vil derfor kunne gi et bidrag til informasjon omkring bruken av elsykler.
Infrastrukturkvalitet I en evaluering av sykkelstiers og sykkelfelts effekt på trafikksikkerhet og på sykkeltrafikkens omfang fra Danmark (Jensen, 2006) fant man en økning på 18-20 prosent ved anlegg av sykkelsti og 5-6 prosent ved anlegg av sykkelfelt.
Sykkelstier er definert som ensrettede stier langs vegen atskilt fra bil og gående med kantstein. Man fant samtidig et fall i biltrafikken på 9-10 prosent når det ble etablert sykkelsti, mens biltrafikken var uendret ved etablering av sykkelfelt. I evalueringen ble det benyttet før- og etteranalyse.
Herby og Friis (2013) har utført en samfunnsøkonomisk analyse av de første såkalte ekspressykkelvegene i Danmark. Her har de på bakgrunn av en evaluering foretatt av COWI verdsatt en bedre infrastruktur. På ekspressykkelvegene er konseptet at fremkommeligheten og kvaliteten på en lengre rute heves. Herby og Friis har valgt å la den forbedrede infrastrukturkvaliteten, de nye servicefasilitetene m.m. for syklister inngå i beregningene som en del av et positivt skift i omfanget av syklister basert på hva som reelt er målt i økt sykkeltrafikk på rutene. På
Albertslundruten (den første ekspressykkelvegen i København) ble det en økning i antall syklister på 7,1 prosent. Korrigert for en generell vekst i sykkeltrafikk fastla man et skift i sykkeltrafikken i forhold til økt kvalitet m.m. på 4,4 prosent.
Som vi skal se i kapitlet om nyttekostnadsanalyser, skilles det i Sverige mellom infrastrukturtype når det gjelder syklisters tidsverdi. Indirekte avdekker tidsverdiene syklistenes preferanser for bedre infrastruktur for sykling.
Også i en britisk etterspørselsmodell for sykling er det estimert ulike koeffisienter for ulik sykkelinfrastruktur (Department for Transport, 2014), noe vi kommer tilbake til i avsnitt 2.5.
I Norge har Urbanet utarbeidet tidstillegg for ulike infrastrukturkvaliteter basert på en stated preference-undersøkelse i Tønsberg-området (Norheim m.fl., 2010).
Sammenliknet med en gang- og sykkelveg vil det å sykle på sykkelfelt tilsvare en ulempe på 7 minutter ekstra reisetid, mens å sykle på fortau tilsvarer 11 minutter ekstra reisetid. Sykling i blandet trafikk ble estimert til å tilsvare 24 minutter ekstra reisetid.
Vær De danske dataene hos Christensen og Jensen (2008) viser at spesielt
temperaturen har en sterk signifikant betydning for valget mellom sykkel og bil som
fører. Hvis temperaturen alltid var 20 ºC, ville sykkelandelen av kjørte kilometer øke fra 17 til knapt 21 prosent. Tilsvarende ville andelen falle til 14 prosent hvis temperaturen alltid var 0 ºC. Der er altså nesten 50 prosent flere sykler i byen om sommeren enn om vinteren. Vind og nedbør påvirker transportmiddelvalget i beskjedent omfang ifølge denne analysen. Her skal det også nevnes at reisevanedata er sammenholdt med værdata, og det kan være langt mellom værstasjoner, så det lokale været kan være forskjellig fra det registrerte.
Lysforhold har ifølge analysen også en effekt på omfanget av sykling. Kvinner sykler 16 prosent mindre i mørke enn i dagslys, mens menns andel faller kun halvparten så mye. Sannsynligvis er dette relatert til trygghet.
Ifølge Parkin m.fl. (2008) har regn en elastisitet på -0,665, mens temperatur har en elastisitet på +0.703. I områder eller i perioder med mye nedbør vil det altså være vanskeligere å flytte trafikantene over på sykkel, mens varme har en positiv innflytelse på sykkeltrafikken (det er ikke sett på varme land – det vil sannsynligvis kunne påvises en negativ elastisitet ved høye temperaturer).
I den nevnte studien av de fem norske byområdene (Haug m.fl., 2014) er det også sett på betydningen av sesongvariasjon, som samtidig er et uttrykk for temperatur så vel som nedbør. Resultatet ses i Figur 2-2.
Figur 2-2 Sesongvariasjon i sykling i fem norske byområder. Kilde: Haug m.fl. (2014)
Tetthet En eldre studie, Jensen og Thost (1999), påviser at befolkningstetthet, byens form og ikke minst topografi har betydning. Studien er basert på danske byer. Her framgår det at sykkelen har størst betydning i byer med mer enn 10 000 innbyggere og at sykkelens andel faller kraftig med fallende bystørrelse, mens biltrafikken får større og større andel. Det samme ble påvist av Christensen og Jensen (2008), gjengitt her som figur 2-3.
Figur 2-3 Fordeling på transportmidler i forhold til bystruktur for turer under 22 km. Kilde:
Christensen og Jensen (2008).
En norsk studie av sammenhengen mellom bystruktur og reisevaner er utført av Engebretsen og Christiansen (2011) ved hjelp av data fra den nasjonale
reisevaneundersøkelsen 2009. De har ikke fokusert spesielt på sykkel, men det framgår at sykkelandelen er størst i de største byene og tettstedene. 3 prosent av reisene foretas med sykkel når reisen starter i et tettsted med under 500
innbyggere. For tettsteder med opptil 20 000 innbyggere ligger andelen på 4 prosent, mens den deretter stiger til 5 prosent. Når man sammenlikner byområder viser det seg å være avgjørende hva slags arealbruksmønster området har.
Fortettet arealbruk tilrettelegger for mindre bilbruk og flere reiser til fots, med sykkel eller kollektivt. Ved høy tetthet finnes flere av de tilbudene man trenger i det
daglige innenfor sykkelavstand. Engebretsen og Christiansen viser at for tettsteder med minst 50 000 innbyggere, øker sykkelandelen med tetthet av bosatte fra 4 prosent ved færre enn 2,5 bosatte pr daa til 7 prosent ved 10–20 bosatte pr daa.
Sykkelandelen øker også med flere arbeidsplasser innenfor 1 kilometer fra hjemmet. Med færre enn 5000 arbeidsplasser ligger sykkelandelen på 4 prosent, mens flere enn 5000 arbeidsplasser innen 1 kilometer fra hjemmet ga 8 prosent sykkelandel i dette datamaterialet. Også andre tetthetsindikatorer, som antall butikker innenfor 1 kilometer fra hjemmet og avstand til sentrum, viser samme trender når det gjelder sammenhengen mellom tetthet og sykkelandel.
Tetthetsindikatorer som de som er nevnt her, bør kunne anvendes i beregning av potensialet for sykling i et område. De kan bidra til å anslå andelen som vil sykle gitt antall bosatte pr daa, antall arbeidsplasser og butikker innen 1 kilometer fra hjemmet og avstand til sentrum.
2.2.3 Andre forbedringsmuligheter
Kuzmyak m.fl. (2014) skisserer endringer som kan gjøres ved firetrinnsmodeller for å forbedre modellering av gang- og sykkeltrafikk. Figur 2-4 er basert på en figur i deres rapport. Standardtilnærmingen i en firetrinnsmodell som for eksempel RTM er vist til venstre i figuren. Til høyre er skissen utvidet eller endret der hvor det er grønne bokser. Turgenerering for gang- og sykkeltrafikk må baseres på faktorer som avgjør om folk vil "reise" som fotgjengere og syklister. Det kan være andre faktorer bak dette enn bak generering av bil- og kollektivreiser. Videre er reiser internt i sonene av mye større viktighet for gang og sykkel enn for motorisert Utvidelse av
tradisjonell modell
trafikk. Det er behov for mer detaljert representasjon av soneinterne reiser enn for eksempel en gjennomsnittslengde på soneinterne reiser – noe som kan være tilstrekkelig for biltrafikk. Neste trinn er transportmiddelvalg. I opprinnelig figur gikk så motorisert trafikk videre til rutevalg. Vi har lagt til rutevalg for sykkel (gul boks).
Kuzmyak m.fl. har samlet eksempler fra USA på estimering av de ulike delene av den utvidede modellen, herunder etablering av rutevalgsmodell for sykkel. De variablene som inngår kan være relevante også for norske forhold, men
overførbarhet av koeffisientverdier antas å være lav, slik at for å kunne anvende noe liknende for norske forhold må det estimeres modeller på norske data.
Figur 2-4 Standard firetrinnsmodell og modell med forbedret modellering av gang/sykkel. Basert på Kuzmyak m.fl. (2014)
En annen måte å forbedre transportmodellens anslag på, er å kombinere flere kilder i analysen slik Tetraplan (2009) har gjort i en analyse av sykkeltiltaket
"Vestvoldstien" i København:
›
Transportmodellen OTM for hovedstadsområdet inneholder OD-matriser fordelt på reisehensikter, og ble brukt til å anslå antall syklister på strekningen.›
Reisevanedata ga informasjon om hvilke grupper som sykler, når, og i hvilken hensikt.›
Siden valg av sykkel også er avhengig av hvilket sykkelnett som finnes i tilknytning til den aktuelle strekningen, ble tilliggende sykkelruter og hull i disse identifisert.›
Fra et nasjonalt virksomhetsregister ble det hentet data om bedrifters beliggenhet, størrelse og type. Bedrifter og utdanningsinstitusjoner nær sykkelruta med et potensial for at de ansatte ville sykle ruta, ble identifisert.Supplere med flere kilder
2.3 Mikrosimuleringsmodeller
Mens transportmodeller av typen RTM befinner seg på et overordnet nivå som tar for seg transportsystemet som helhet (makromodell), er forhold av betydning for sykling ofte på et mer detaljert nivå. Her kan mikrosimuleringsmodeller være et egnet hjelpemiddel. Modeller som for eksempel VISSIM anvendes generelt for å studere kjøretøyers bevegelser i et lite utsnitt av transportsystemet.
Mikrosimuleringsmodeller er ikke et verktøy som kan beregne hvor store
trafikkstrømmene vil bli, men de kan beregne for eksempel kjøretøyenes tidsbruk gjennom et kryss ved angitte trafikkmengder for de aktuelle kjøreretningene. COWI Danmark har tilpasset VISSIM til modellering av sykkeltrafikk, og anvendt modellen i flere oppdrag for Københavns kommune (Frost m.fl., 2014). VISSIM har i
utgangspunktet noen parametere for kjøretøyegenskaper og trafikantatferd for biltrafikk. COWI har utviklet parameterverdier for sykler og kalibrert en VISSIM- variant tilpasset sykkeltrafikken i København.
Mikrosimuleringsmodeller kan med fordel brukes som supplement ved
trafikkanalyser av sykkeltiltak. Vi kjenner ikke eksempler på at man har kombinert makro- og mikromodeller konkret for å analysere effekter av sykkeltiltak, men en mulighet vi ser for oss er følgende: Fra mikrosimuleringen kan man få data om tidsbruk for syklistene, noe som deretter kan inngå i spesifikasjonen av
transporttilbudet for sykkel i en makromodell eller direkte i nytteberegninger. Det kan også tenkes at dataflyten kan gå motsatt vei: Fra makromodeller kan man få overordnede tall for antall sykkelturer på reiserelasjoner, mens mikrosimuleringen kan bruke de genererte trafikktallene til mer detaljert analyse i utsnitt av
transportsystemet.
Figur 2-5 Illustrasjon fra mikrosimuleringsmodell (VISSIM). Kilde: Frost m.fl. (2014)
2.4 ATP-modell
Areal- og transportplanleggingsmodellen (ATP-modellen) er tilgjengelig på www.atpmodell.no, der det også finnes dokumentasjon av den.
Anvendelsesområder er lokaliseringsanalyser, transportplanlegging og trafikkanalyser. Modellen er et GIS-basert verktøy som kombinerer data om transportnettverk, befolkning og arbeidsplasser på et detaljert nivå.
Det er mulig å etablere et sykkelvegnett i modellen med reisetider hvor det også tas hensyn til høydeforskjeller i terrenget (ulik hastighet i hver retning i bakker).
Beregnet sykkeltrafikk visualiseres i kart.
Standard firetrinns transportmodeller slik som skissert i Figur 2-4 tar utgangspunkt i valgene som trafikantene gjør, og inkluderer faktorer som motiverer valgene. ATP- modellen er ikke valgbasert, men tar i stedet utgangspunkt i relevante egenskaper ved området som studeres, og utleder reiseetterspørselen fra dette.
Kuzmyak m.fl. (2014) anbefaler at transportmodeller er mest mulig valgbaserte.
Valgbaserte, tradisjonelle firetrinnsmodeller er også det vanlige å bruke hos norske transportetater og i NTP-sammenheng. Dette peker i retning av at det primært er ønskelig å videreutvikle valgbaserte modeller som bedre ivaretar sykkeltrafikk. I mangel av egnede valgbaserte modeller og etterspørselselastisiteter kan en modell som ATP likevel være nyttig for å beregne potensialet for sykling.
2.5 Egne etterspørselsmodeller for sykkel
Vi har sett at etablerte, transportmiddelovergripende (multimodale)
transportmodeller på mange måter er mangelfulle når det gjelder å modellere effekter av sykkeltiltak. Det kan være et alternativ å estimere en disaggregert etterspørselsmodell for kun sykling (Department for Transport 2014 og Kuzmyak m.fl. 2014). I WebTAG (Department for Transport) vises en sykkeletterspørsels- modell av den formen som er gjengitt i boksen nedenfor. Det er en forenklet logitmodell der det antas at det kun er sykkelforholdene som endrer seg og ikke forhold av betydning for andre transportmidler.
𝑃𝑦𝑓
= 𝑃𝑦𝑏𝑒∆𝑈𝑦 𝑃𝑦𝑏𝑒∆𝑈𝑦+ (1 − 𝑃𝑦𝑏)
𝑃𝑦𝑏= andel som velger å sykle uten tiltaket i år y 𝑃𝑦𝑓= andel som velger å sykle med tiltaket i år y
∆𝑈𝑦= endring i syklistens nytte av å sykle
∆𝑈𝑦= t * (cw – cn) t = reisetid
cw = nyttekoeffisient på rute med tiltak cn = nyttekoeffisient på rute uten tiltak
Kilde: Department for Transport (2014)
I WebTAG vises koeffisientverdier, dvs. c-ene i modellen, som er estimert i Storbritannia for sykling til jobb på reiser kortere enn 12 kilometer. Det skilles mellom ulike sykkelfasiliteter. Koeffisientene er ikke nødvendigvis overførbare til andre land.
Endring Tolkning Koeffisient
Tid på ekspressykkelveg Minutter -0,033
Tid på sykkelsti atskilt med kantstein Minutter -0,036
Tid i sykkelfelt Minutter -0,055
Tid uten spesiell sykkelinfrastruktur Minutter -0,115 Utendørs sykkelparkering Finnes / finnes ikke 0,291 Innendørs sykkelparkering Finnes / finnes ikke 0,499 Dusj- og garderobefasiliteter + innendørs
sykkelparkering
Finnes / finnes ikke 0,699
Betaling for å sykle Pence pr retning 0,013
Tabell 2-1 Modellkoeffisienter for endring i tidsbruk og/eller sykkelfasiliteter estimert i Storbritannia. Kilde: Department for Transport (2014)
Generelt kan analyse av tilgjengelige data ved hjelp av statistiske modeller danne grunnlag for å estimere parameterverdier. I vår litteraturstudie finnes flere
eksempler. Betydningen av ulike variabler i valget av transportmiddel er estimert bl.a. av Danmarks Tekniske Universitet (Christensen og Jensen, 2008) i en logitmodell. Formålet var å studere potensialet for å overføre korte bilreiser til sykkelreiser. Derfor er en rekke variabler av betydning for sykling inkludert i modellen, som topografi, vind og nedbør. Det er også tatt hensyn til om det har vært sykkelkampanjer i området og om området tilhører byer som har høy andel syklister. En logistisk regresjonsmodell for valg av sykkel som transportmiddel er også anvendt i en britisk studie (Parkin m.fl., 2008), men der begrenset til reiser til arbeid. Avstand, vær (vind, nedbør, temperatur) og topografi er blant variablene.
2.6 Tommelfingerregler og erfaringstall
Et alternativ til transportmodeller er å gjøre grove anslag basert på tilgjengelige data. Erfaringer fra andre steder hvor det har vært gjennomført tilsvarende tiltak, kan kombineres med lokale data om for eksempel reisevaner, befolkning, sysselsetting, reisetider og avstander. Denne metoden er nevnt både i WebTAG (Department for Transport, 2014) og Kuzmyak m.fl. (2014). For at erfaringstall fra andre steder skal ha noen verdi, er det blant annet nødvendig å se på den underliggende trafikkveksten i området som erfaringstallet er hentet fra, for å forsøke å isolere effekten av tiltaket. Videre bør effektene knyttes til egenskaper ved studieområdet og trafikantene, slik at man kan tilpasse erfaringstallene til lokale forhold. Som vi har sett, varierer tilbøyeligheten til å velge sykkel som framkomstmiddel med forhold som bystørrelse, tetthet, topografi med mer.
WegTAG nevner en britisk kilde til erfaringstall: En samling av resultater fra 50 gjennomførte gang- og sykkeltiltak, med kortfattede beskrivelser av hvert tilfelle (Department for Transport, 2004). Et utvalg av resultatene er sammenstilt i Tabell 2-2.
Tiltak Resultater Nasjonalt sykkelvegnett. Over 13000 km
ved utgangen av 2003.
Bruken av ferdigstilte segmenter økte med 10 % i 2002.
35 % av brukerne (fotgjengere og syklister) kunne ha brukt bil.
72 % sa de var mer aktive pga. tiltaket.
Vedtatt prioriteringsliste i
transportplanlegging i York i 1990.
Åttepunkts konkret liste som setter fotgjengere, funksjonshemmede og syklister foran bilister i strategisk planlegging.
Sykkel og gange opprettholdt sin andel på 20 prosent av reiser til arbeid i perioden 1991 til 2001.
Køprising i London Økning i sykkeltrafikk på 30 % er blant effektene*
Sykkelfelt i Hull. Alle hovedveier med ÅDT 10000–20000 og 500–900 syklister. Som oftest ble et kjørefelt i hver retning gjort om til sykkelfelt.
Økning i sykkeltrafikk*. Av tellepunktene hadde ett +138 %, tre hadde 20–30 % og to var uendret.
45 % reduksjon i skadde syklister*.
York Millenium Bridge (2001).
Elvekryssing mellom to bilfrie områder.
Fra 1999 til 2002 økte antall sykkelreiser ved elva med 31 %
Bilfri sykkelrute Lincoln – Skellingthorpe (2003)
Telledata juli–desember:
2001: 2 025 sykkelreiser 2002: 2 330 sykkelreiser
2003 (med ny rute): 9 170 sykkelreiser Sykkelparkering på stasjoner i
Hampshire
Sykkelparkering økte med 160 % Transportplan for et sykehus i
Cambridge. Bildeling, forbedring av gang- og sykkelfasiliteter, samarbeid med busselskap om kollektivtilbudet.
(2000–2005)
Endring i transportmiddelbruk fra 1993 til 2003:
Bil ned fra 74% til 42%
Buss opp fra 4% til 23%
Sykkel opp fra 17% til 25%
Gange opp fra 4% til 7%
Plan for å øke sykling blant ansatte hos GlaxoSmithKline i London. Blant annet:
Gavekort på sykkelbutikk verdt £1 gis hver dag til de som ankommer på sykkel. Sykkelparkering lett tilgjengelig.
Økning i antall som sykler til jobb.
Besparelse for bedriften fordi kostnadene til gavekort er mindre enn kostnadene ved parkeringsplass for bil.
TravelSmart for bedre reisevalg i Bristol.
Tjeneste som gir brukerne informasjon om de lokale mulighetene for gange, sykkel og kollektivreiser.
Et forsøkspanel økte sine sykkelreiser med 51 %. Gange økte med 6 % og kollektivreiser med 18 %. Bilreiser ble redusert med 10 %.
*: Periode uklart
Tabell 2-2 Et utvalg av resultater av sykkeltiltak fra "Encouraging walking and cycling: Success Stories" (Department for Transport, 2004)
Ikke bare tidligere gjennomførte tiltak, men også elastisiteter fra litteraturen, kan være nyttig i grove beregninger. WebTAG viser et eksempel på en slik
tommelfingerberegning. Fra litteraturen hentes en etterspørselselastisitet for sykling i forhold til endring i andel av transportnettverket som har
sykkelinfrastruktur. Dersom andelen sykkelinfrastruktur øker med 1 prosent, kan man forvente at etterspørselen etter sykling øker med 0,05 prosent. I eksemplet er det et område med:
›
2000 sykkelreiser daglig›
500 kilometer vegnettverk›
50 kilometer sykkelinfrastruktur før tiltaket, dvs. 10 prosent andel av totalt nettverk›
12 prosent sykkelinfrastruktur hvis det bygges en ny ekspressykkelveg på 10 kilometerØkningen i andel er på 20 prosent (fra 10 til 12 prosent). Med den nevnte
elastisiteten kan man da forvente en økning i sykkelreiser på 20 * 0,05 = 1 prosent, dvs. 20 reiser daglig i dette eksemplet.
2.7 Konstant etterspørsel
Egentlig ser vi her på metoder for å beregne hvor stor endring i sykkeltrafikk man kan forvente av et sykkeltiltak. Vi vil likevel nevne at det er mulig å gjøre en samfunnsøkonomisk analyse av et tiltak uten å ta hensyn til etterspørselseffekten, dersom antallet sykkelreiser i utgangspunktet er kjent. Den nåværende trafikken på strekningen vil ha en nytte av tiltaket som kan verdsettes i kroner.
Gang- og sykkelmodulen i EFFEKT er utviklet for å beregne nytte og kostnader ved gang- og sykkelprosjekter (Statens vegvesen, 2008). Trafikkstrømmene for gang og sykkel må legges inn av EFFEKT-brukeren. Metoden egner seg ved prosjekter hvor man kan forutsette at tiltaket ikke påvirker antallet sykkelreiser.
Analyse av nytte og kostnader kan også utføres i regneark med bruk av tilgjengelige trafikkdata, enhetskostnader og parametere. Eventuelt kan en slik
"regnearkanalyse" bruke resultater fra mikrosimulering når det gjelder endringer i trafikantenes tidsbruk og trafikkarbeid.
2.8 Metoder for å skaffe datagrunnlag
For å utvikle transportmodeller som egner seg til å analysere sykkeltiltak er man avhengig av et godt datagrunnlag. Det gjelder både for å få riktig nivå på antall sykkelreiser, reiselengder og -tider initialt, og for å sette parameterne som styrer atferden i modellen. Siden det ofte ikke foreligger verken lokalereisevanedata eller systematiske trafikktellinger og reisetidsmålinger for sykkel, vil det være behov for å samle inn data når det første gang skal gjøres evalueringer av sykkeltiltak i et område. Data for referansesituasjonen kan deretter oppdateres og gjenbrukes ved senere evalueringer i samme område. I noen norske byområder foreligger det slike data, jf. RVU for Oslo (2013) og ATP-modellen anvendt i Trondheim
(www.atpmodell.no).
I tillegg til reisevanedata, tellinger og reisetidsmålinger, har vi sett at data om topografi og vær kan bidra til å gjøre modellering av sykkelatferd mer realistisk.
Tellinger En metode for å kartlegge antall sykkelreiser er tellinger. I vår litteraturstudie har vi funnet to typer tellinger av sykkeltrafikk:
›
Punktvise, automatiske tellinger. De forekommer i nokså begrenset omfang og kan ikke sammenliknes med de omfattende, systematiske tellingene av biltrafikk.›
Manuelle tellinger før og etter tiltak. Anvendes typisk i etterevalueringer av tiltak.Tellinger gir data om antall syklister på et snitt, men det er ukjent hvilke avstander de har syklet og hvor lang tid turen tar. En måte å kartlegge reiselengder og -tider på er reisevaneundersøkelser (RVU) der man intervjuer et utvalg personer om reiser de nylig har foretatt. I RVUer kan man også spørre om andre relevante forhold, som reisehensikt og hvor ofte respondenten sykler i sommer- og vinterhalvåret.
Nasjonal RVU gjennomføres omtrent hvert fjerde år. RTM er basert på data fra RVU 2001 og skal kalibreres i forhold til nye data fra RVU 2013/14.
"Reisevaneundersøkelse (RVU) for Oslo 2013" som er publisert av Oslo kommune (Carlsson og Wigeborn, udatert), er et mer lokalt eksempel som dessuten
inneholder mye sykkeldata. Den viser fordeling på transportmidler for ulike demografiske segmenter, type dag og reisehensikt. Her kan man se hvor stor andel av de ulike typene reiser som foregår med sykkel. For sykkelreiser som starter i en bydel er det sett på hvor stor andel som har målpunkt innen bydelen og hvor store andeler som har målpunkt i hver av de andre bydelene. Det er også vist gjennomsnittlige reiselengder og reisetider med sykkel for bosatte i hver bydel.
Videre er hyppighet av sykling i sommer- og vinterhalvåret kartlagt. Et slikt systematisk datasett kan anvendes som utgangspunkt for å kalibrere transportmodeller mot faktiske trafikktall på bydelsnivå.
Reisevaneundersøkelser, trafikktellinger og reisetidsmålinger gir data om situasjonen i dag uten tiltaket. Ved hjelp av prognoser for befolknings- og
trafikkvekst kan man beskrive forventet referansesituasjon for en periode framover i tid. Ved bruk av transportmodeller er det ikke uvanlig å operere med et
beregningsår som representerer "i dag", og et framtidig beregningsår. Ved etableringen av referansesituasjonen "i dag" og i et framtidig beregningsår i transportmodellen kan reisevaneundersøkelser, trafikktellinger, reisetidsmålinger og vekstprognoser være viktige kilder.
Vegnettsdata Kvalitet på sykkelinfrastruktur er også relevant. Endringen i kvalitet på
infrastrukturen vil jo typisk være et tiltak man skal evaluere, slik at kvaliteten må beskrives både i referanse- og tiltakssituasjonen. Med tanke på transportmodeller som metode, er det her et potensial for å forbedre modellenes representasjon av kvaliteten på infrastruktur for sykling. Den nasjonale vegdatabanken NVDB viser gang- og sykkelveger. Elveg inneholder elektroniske kart med mer informasjon enn NVDB. Det gjenstår en jobb for å etablere sykkelnettverk i transportmodellene. Se også avsnitt om transportnettverk ovenfor (2.2.1).
Reisevane- undersøkelser
2.9 Etterspørselselastisiteter
Etterspørselselastisiteter kan brukes til å anslå effekter av tiltak i enkle
beregninger, for eksempel slik vi så i avsnitt 2.6. Elastisiteter inngår også i mer avanserte transportmodeller, der de er parametere i funksjoner som skal gjenspeile trafikantenes valg. Elastisitetene er gjerne estimert på data om trafikanters faktiske valg, eventuelt hypotetiske valg i stated preference-undersøkelser.
Etterspørselselastisiteter i transport kan være knyttet til generalisert reisekostnad eller til enkeltkomponenter i denne – typisk reisetid eller pris. Også reisetid eller pris ved andre transportmidler påvirker etterspørselen etter reiser med et bestemt transportmiddel. Tabell 2-3 og Tabell 2-4 er krysspriselastisiteter fra den danske hovedstadsmodellen OTM, hentet fra en artikkel om modellering av sykkelatferd (Vuk og Hansen, 2010). Tabellene tilsier at når prisen på kollektivtransport øker med 1 prosent, øker etterspørselen etter sykkelreiser med 0,09 prosent. Økning i prisen på å kjøre bil har noe mindre effekt på etterspørselen etter sykling. Endring i reisetid med bil vil derimot påvirke sykkelreiseetterspørselen mer.
Bil Kollektivtr. Sykkel Gange Kollektivtransport +0,06 -0,42 +0,09 +0,07
Bil -0,1 +0,09 +0,07 +0,06
Tabell 2-3 Priselastisitet i OTM5, aggregert over alle reisehensikter. Kilde: Vu og Hansen, 2010.
Bil Kollektivtr. Sykkel Gange Kollektivtransport + 0,04 - 0,26 + 0,06 + 0,03
Bil - 0,15 + 0,18 + 0,13 + 0,08
Tabell 2-4 Tidselastisiteter i OTM 5, aggregert over alle reisehensikter. Kilde: Vuk og Hansen, 2010.
Det er vanskelig å finne studier som viser sykkelreiseetterspørselens elastisitet med hensyn på generalisert kostnad ved sykling. Herby og Friis (2013) viser til en studie som DTU Transport har gjort av sammenhengen mellom reisetid og sykkelandel, som ga grunnlag for å estimere reisetidselastisiteten som
-3,5 * T * (1 – M)
der T er reisetid og M er sykkelens andel av reiser i studieområdet. Herby og Friis anvendte dette på data fra en rekke sykkelekspressvegprosjekter og kom fram til en gjennomsnittselastisitet på -1,26, noe de anså som høyt sammenliknet med funn fra blant annet Nederland på -0,34. I sin analyse av sykkelekspressveger anvendte de derfor -1 som en skjønnsmessig reisetidselastisitet.
Noen av de danske studiene som allerede er nevnt, har tall for hvordan
etterspørselen reagerer på forbedringer i sykkelinfrastruktur, gjengitt her i Tabell 2-5. Disse resultatene er ikke direkte overførbare til norske forhold. Som vi har sett, vil forhold som topografi, klima og tetthet påvirke etterspørselen.
Kilde Tiltak Effekt på etterspørsel
Metode
Jensen, 2006 Sykkelsti atskilt
med kantstein 18–20 % Før- og etteranalyse Jensen, 2006 Sykkelfelt 5–6 % Før- og etteranalyse Herby og Friis, 2013 Sykkel-
ekspressveger 9 % Antatt reisetids- elastisitet på -1,0 Tabell 2-5 Etterspørselseffekter av noen danske forbedringer i sykkelinfrastruktur
I forbindelse med topografi og klima er studien som Parkin m.fl. (2008) utførte på reisevanedata allerede nevnt. Der ble det estimert elastisiteter med hensyn på terrengforskjell, nedbør og temperatur (jf. avsnitt 2.2.2).
2.10 Metodenes egnethet ved ulike typer sykkeltiltak
Hva slags effektberegningsmetode eller transportmodell som egner seg til det enkelte sykkeltiltak, er avhengig av tiltakets kompleksitet. Små utbedringer i infrastrukturen har kanskje kun effekter for eksisterende syklister, eventuelt et beskjedent omfang av nye syklister, mens større infrastrukturprosjekter kan ha mer komplekse virkninger og gi utslag på transportmiddelfordelingen. Virkningene av et trafikksikkerhetstiltak for sykkel kan være meget lokale, som utbedringer i et kryss.
Holdningskampanjer kan være rettet mot en lokalt avgrenset gruppe, som en skolekrets, eller gjelde en hel region.
I valget av effektberegningsmetode er derfor kompleksitet og geografisk dimensjon relevante aspekter. For eksempel passer tradisjonelle firetrinnsmodeller til et overordnet, transportmiddelovergripende nivå, mens mikrosimulering passer til å studere lokale effekter. Egne etterspørselsmodeller for sykkel egner seg når effekten på andre transportmidler ikke er av betydning.
I Tabell 2-6 har vi sammenstilt typer av sykkeltiltak og typer av effektberegninger, og antydet styrker og svakheter ved ulike kombinasjoner. Trafikksikkerhetstiltak er ikke vist som egen kategori, men kan inngå i mindre infrastrukturtiltak.
Kampanjer er en type "mykt" tiltak som ofte kombineres med "harde" tiltak (infrastrukturtiltak) for å forsterke effekten av de harde tiltakene. Evaluering av kampanjer skjer gjerne i form av etterevaluering. Forhåndsberegninger av forventet effekt med de metodene vi ser på her ikke er så aktuelt for denne tiltakstypen. En vanlig metode for evaluering av kampanjer er spørreundersøkelser – telefon- eller nettbaserte – til befolkningen i det aktuelle geografiske området.
MODELLTYPE
TILTAKSTYPE
Tradisjonelle 4- trinnsmodeller
Mikrosimulering ATP-modell Etterspørsels- modell for sykkel
Tommelfinger- regler og erfaring
Konstant etterspørsel
Mindre
infrastrukturtiltak
Svakhet: Kan være for grovmasket til å modellere effektene
Styrke: Egner seg til å modellere lokale effekter. Svakhet:
Beregner ikke samlet etterspørselseffekt av tiltaket.
Styrke: Kan beregne potensial for sykkeltrafikk med og uten tiltaket.
Egner seg til tiltak som ikke forventes å påvirke trafikk- arbeidet med andre transportmidler enn sykkel noe særlig.
Egner seg til grov beregning av
etterspørselseffekten.
Kan være tilstrekkelig ved mindre tiltak. Mulig kombinasjon med mikrosimulering.
Passer hvis etter- spørselseffektene antas å være så små at de kan ses bort fra
Større
infrastrukturtiltak
Styrke: Egner seg til makronivå med komplekse effekter.
Svakhet: Grovmasket til sykkeleffekter.
Styrke: Kan modellere utsnitt av transport-systemet ved behov. Svakhet:
Beregner ikke overordnede etterspørselseffekter.
Styrke: Kan beregne potensial for sykkeltrafikk med og uten tiltaket.
Svakhet med unimodal modell hvis tiltaket forventes å påvirke flere transport- midler.
Kan være tilstrekkelig i en tidlig, overordnet analyse. Svakhet:
Dårlig evne til å forutsi komplekse virkninger i transportsystemet.
Svakhet: Får ikke med effektene for nye syklister og eventuelle effekter for andre transport- midler.
Tiltakspakker for sykkel
(Som ovenfor) (Som ovenfor) Kan brukes som grunnlag til transportmodeller
(Som ovenfor) (Som ovenfor) (Som ovenfor)
Tiltakspakker for flere transportmidler
Styrke: Omfatter flere transportmidler.
Svakhet: Grovmasket til sykkeleffekter.
(Som ovenfor) Kan brukes som grunnlag til transportmodeller.
Dokumentasjon av egnethet ved multimodale analyser ikke funnet.
Svakhet: Modellerer ikke effektene på andre transport- midler. Ikke egnet.
Svakhet: Dårlig evne til å forutsi komplekse virkninger i transport- systemet.
Svakhet: Risikerer en betydelig under- vurdering av nytte og/eller kostnader.
Tabell 2-6 Ulike metoders egnethet ved ulike typer sykkeltiltak
3 Nyttekostnadsanalyse
I dette kapitlet presenteres først en overordnet gjennomgang av
beregningsprinsipper og metoder for nyttekostnadsanalyse av sykkeltiltak i utvalgte land og i Norge. Det er relevant å se på hvilke elementer som inngår i
nyttekostnadsanalyse av sykkeltiltak i Norge og andre land. Hvilke elementer som bør inngå kan variere med størrelsen på tiltaket: Et lite prosjekt kan ha (en
beskjeden) effekt på antallet som sykler uten at det slår ut nevneverdig på annen trafikk, slik at det ikke er så relevant å regne på reduksjon i eksterne kostnader ved andre transportmidler.
Deretter ser vi nærmere på enhetskostnadene for nytteberegning av de ulike effektene av sykkeltiltak.
3.1 Nyttekostnadsanalyse i Norge og tilpasning til sykkeltiltak
Nyttekostnadsmetodikken som foreligger i EFFEKT er i prinsippet akkurat den samme for sykkeltiltak som for transportinvesteringer ellers, bortsett fra at helse og utrygghet er elementer som er spesielle for gang- og sykkeltiltak. Dessuten er det ikke lagt opp til å ta hensyn til etterspørselsvirkninger av sykkeltiltak. Det beregnes altså nytte for den allerede eksisterende sykkeltrafikken.
Tabell 3-1 inneholder en rekke elementer som inngår i transportetatenes
nyttekostnadsanalyser, herunder i EFFEKT. Gitt at man er i stand til å kvantifisere trafikale effekter i form av endring i kjøretøykilometer på alle berørte
transportmidler samt endring i reisetid med sykkel, har man et grunnlag for å utføre nyttekostnadsanalyse. For å beregne endring i utrygghetskostnad trenger man også endringen i antall kilometer syklet langs veg og antall kryssinger.
Nytte, kostnad Beregningsmåter Kilder Nytte for trafikanter
Spart reisetid Betalingsvillighets-
undersøkelser (kr pr time)
TØI-rapport 1053B/2010 Sparte reisekostnader (Ikke aktuelt for sykkel i
norske analyser)
Helsegevinst Kr pr kilometer syklet Statens vegvesens Håndbok V712 Redusert utrygghet Betalingsvillighets-
undersøkelser
TØI-rapport 1053G/2010 Nytte for det offentlige
Investering i sykkeltiltak Drift/vedlikehold av sykkeltiltak
Estimeres i hvert prosjekt.
Kan være løpemeterbasert.
Statens vegvesens ANSLAG-prosess, evt.
annet prosjektspesifikt anslag
Spart infrastrukturslitasje Kr pr kjøretøykm spart på andre transportmidler
Statens vegvesens Håndbok V712, Jernbaneverkets Metodehåndbok (2015), og tilhørende
beregningsverktøy Redusert avgiftsinngang
Kr pr kjøretøykm redusert på andre
transportmidler Nytte for samfunnet f.ø.
Sparte ulykkeskostnader Ulykkesrisiko og kr pr gjennomsnittsulykke, evt.
kr pr kjøretøykm, alle transportmidler
Statens vegvesens Håndbok V712, Jernbaneverkets Metodehåndbok (2015), og tilhørende
beregningsverktøy Sparte lokale
utslippskostnader Kr pr kjøretøykm spart på andre transportmidler Sparte CO₂-kostnader
Sparte støykostnader
Tabell 3-1 Nytte og kostnader ved sykkeltiltak i norske analyser
Ytterligere effekter man kunne vurdere er spart parkeringsareal, sparte
investeringer i infrastruktur for bil og kollektivtrafikk, og køkostnad. Å ta hensyn til sparte investeringer i infrastruktur for bil og kollektivtrafikk kan være relevant i tilfeller hvor det foreligger konkrete planer som det ikke er behov for å realisere.
Ellers vil det være vanskelig, og kanskje også direkte galt, å sette en verdi på noe som ikke er planlagt. Sparte køkostnader for biltrafikken kan tas med i partielle analyser av økt sykling, men i en transportmiddelovergripende analyse skal køkostnadene i prinsippet inngå i sparte tidskostnader for bil.
Gang- og sykkelmodulen i EFFEKT beregner endring i kostnader knyttet til tidsbruk, ulykker, helse og utrygghet, samt kostnader ved bygging, drift og vedlikehold av gang- og sykkelvegnettet. Hvordan tid, ulykker, helse og utrygghet prissettes med enhetskostnader framgår av gjennomgangen i avsnitt 3.3 nedenfor.
3.2 Metoder for samfunnsøkonomisk analyse av sykkeltiltak i utvalgte land
3.2.1 Storbritannia
Det britiske samferdselsdepartementets anbefalinger for samfunnsøkonomiske analyser innen transport finnes på nettsiden WebTAG, der TAG står for Transport Analysis Guidance. En rekke dokumenter (TAG Units) beskriver metodene. Det finnes en egen TAG Unit for gange og sykling, "TAG Unit A5.1 Active Mode Appraisal". "TAG Unit A4.1 Social Impact Appraisal" er også relevant når det gjelder helseeffekter og trafikksikkerhet for sykkel.
Prinsippene for nyttekostnadsanalyse av sykkeltiltak er de samme som for andre transportmidler, men med noen særegne aspekter knyttet til helse (fysisk aktivitet) og til kvalitet ved reisen (type infrastruktur). Helse kommer vi tilbake til i
gjennomgangen av prissatte effekter nedenfor. Når det gjelder å skille mellom type infrastruktur viser vi til Tabell 2-1 i forrige kapittel.
3.2.2 Sverige
Anbefalte beregningsprinsipper og enhetskostnader for samfunnsøkonomiske analyser i transportsektoren i Sverige kommer fra ASEK (Arbetsgruppen för samhällsekonomiska kalkyler och analysmetoder inom transportsektorn).
Dokumentasjon finnes på Trafikverkets nettsider, trafikverket.se. ASEK 5.1 (gjeldende anbefalinger) består av 22 delrapporter. Det er ingen egen rapport for sykkelberegninger. Anbefalinger som gjelder sykkel finnes spredt under de ulike temaene som behandles i ASEK-rapportene, som for eksempel tidsverdier, trafikksikkerhet og kjørekostnader. Angående kjørekostnader, så anvendes ikke dette for sykkel i Norge, slik det gjøres for bil og kollektive transportmidler, men ASEK har kilometerbaserte kjørekostnader også for sykkel (0,66 svenske kroner pr kilometer i 2010-prisnivå). Vi kommer for øvrig tilbake til svenske enhetskostnader under prissetting av effekter i avsnitt 3.3.
Det er ingen særskilt beregningsmetodikk for sykkel. Samme beregningsprinsipper som for øvrige transportmidler skal følges, og her er metodene i Norge og Sverige ganske like. Som i Norge, kommer helseeffekter ved sykling i tillegg til de
elementene som vanligvis inngår i nyttekostnadsanalyse.
Figur 3-1: ASEK gir anbefalinger om prinsipper og enhetskostnader for samfunnsøkonomiske analyser i transportsektoren i Sverige
Det er utviklet et regnearkbasert beregningsverktøy for samfunnsøkonomiske analyser av gang- og sykkeltiltak, kalt GC-kalk. Der er alle de relevante enhetskostnadene lagt inn. GC-kalk kan ikke beregne effekten på antallet sykkelturer – det må brukeren legge inn selv.
Trafikverkets ASEK og GC-kalk er også omtalt i WSPs (2013) gjennomgang av status på metoder for å beregne effekter av sykkeltiltak i Sverige. WSP peker på noen utfordringer: Mangel på datagrunnlag, antakelser om etterspørselsvirkninger av tiltak, og diskusjon om helseeffekter er internalisert i trafikantnytte eller ikke.
Sistnevnte diskusjon gjelder hvorvidt trafikantene i sin verdsetting av reisetid har tatt hensyn til helseeffektene ved sykling eller ikke. ASEK anbefaler at
helseeffekter skal beregnes i tillegg til "vanlig" trafikantnytteberegning, og ramser opp en rekke land der dette er praksis, herunder Norge.
For å imøtekomme mangelen på datagrunnlag om sykkeltrafikk har Trafikverket nylig publisert noen gjennomsnittstall som kan anvendes for å anslå årsdøgntrafikk (ÅDT) med sykkel i det enkelte prosjekt. Det er etablert sjablongmessig sykkel-ÅDT for by og land langs dimensjonene folkemengde og avstand til sentrum/tettsted.
Faktiske tall vil variere mye, men disse tallene er til hjelp siden datagrunnlaget ofte er dårlig for sykkel. Videre foreligger det fordeling av sykkeltrafikk på måneder, ukedager og tid på døgnet. Tabellene er tilgengelige på trafikverket.se.
3.2.3 Danmark
Transportministeriets Regnearksmodel for Samfundsøkonomiske Analyser (TERESA) inneholder de forutsetningene man trenger for å utføre
samfunnsøkonomiske analyser av transporttiltak i Danmark. Sykkel er et av
transportmidlene det finnes enhetskostnader for i denne modellen. Det er dessuten utviklet en egen "Cykel-TERESA", en regnearkmodell for samfunnsøkonomisk analyse av fire typer sykkeltiltak:
›
Ny sykkelsti1 langs eksisterende veg›
Forbedret framkommelighet på eksisterende sykkelsti›
Snarveier for syklister, for eksempel bru, tunnel eller sykling gjennom grøntområde som innkorter syklistenes reise›
Trafikksikkerhetstiltak for syklister, for eksempel ombygging av kryss Brukeren må selv legge inn en rekke opplysninger, som investerings- ogvedlikeholdskostnader, lengde på strekningen, antall syklister pr døgn før og etter tiltaket, og antall ulykker før og etter tiltaket. For hver opplysning som skal legges inn, finnes det en tekstboks med blant annet erfaringstall, for eksempel hvor mange prosents økning i antall syklister man kan forvente dersom man anlegger 5 kilometer ny sykkelsti (anslagsvis 3–4 prosent).
Cykel-TERESA beregner så nåverdien av nytte og kostnader i prosjektet. Utover de elementene som inngår i en "vanlig" nyttekostnadsanalyse for bil- eller kollektivtrafikk, inngår helsegevinst og effekt på arbeidstilbudet.
I Danmark anvendes det også kjørekostnader for sykkel, som er satt til 0,36 danske kroner pr kilometer i 2013-prisnivå. Øvrige enhetskostnader kommer vi tilbake til under prissetting av effekter i avsnitt 3.3.
3.2.4 Nederland
Siden Nederland er kjent som et land hvor sykkel står for en høy andel av
persontransporten, er det interessant å undersøke hvordan samfunnsøkonomiske analyser av sykkeltiltak gjøres der. En rapport som en gruppe nederlandske konsulenter utarbeidet for ministeriet for infrastruktur og miljø i 2012 (van
Ommeren m.fl., 2012) viser at mange av de samme utfordringene som vi finner ved samfunnsøkonomiske analyser av sykkeltiltak i Norge også gjør seg gjeldende i Nederland. Det nasjonale rammeverket for samfunnsøkonomiske analyser i transport, med sine anbefalinger og metodeverktøy, er i utgangspunktet utviklet med henblikk på bil- og kollektivtrafikk. van Ommeren m.fl. undersøker i hvilken grad rammeverket egner seg for analyser av sykkeltiltak. Forbedringspunkter som de trekker fram i sine konklusjoner omfatter blant annet:
›
Grundigere undersøkelse av tidsverdier ved sykling›
Behov for elastisiteter›
Utvikling av transportmodeller for å modellere sykkeltrafikk bedre›
Generelt mer oppmerksomhet om sykkel som alternativt transportmiddel til bil og kollektivtrafikk
1 Dansk sykkelsti er definert som ensrettet sti langs vegen atskilt fra bil og gående med kantstein.
›
Evaluering av gjennomførte sykkeltiltak (måling av effekter)›
Bedre kunnskap om marginale kostnader ved lokal kollektivtransport, for reiser i og utenom rushtid, siden lokal kollektivtransport ofte er en konkurrent til sykkel›
Nærmere undersøkelser av sammenhenger mellom sykling og helse/sykefravær for ulike grupper av befolkningen (helseeffekten er forskjellig for allerede aktive mennesker og de som ikke er så aktive fra før)
van Ommeren m.fl. (2012) har utført nyttekostnadsanalyse av tre prosjekter for å teste ut gjeldende metodikk. Det er stor usikkerhet knyttet til resultatene blant annet fordi anbefalingen av tidsverdi for sykkel kun er angitt som et nokså bredt intervall, og fordi man mangler data om etterspørselseffektene av sykkeltiltak.
Til tross for de påpekte svakhetene konkluderes det også med at gjeldende metodikk er et godt hjelpemiddel for å gjennomføre samfunnsøkonomiske analyser av sykkeltiltak.
3.3 Prissetting av effekter
Vi skal her se på hvilke norske enhetskostnader som foreligger, og sammenlikne dem med enhetskostnadene i noen andre land. Som det framgår av Tabell 3-1 ovenfor, er det en del enhetskostnader som er knyttet til andre transportmidler enn sykkel, og som kan være relevante i sykkelprosjekter fordi økt sykling kan medføre redusert bruk av andre transportmidler. Det gjelder infrastrukturslitasje,
avgiftsinngang og ulykkes- og miljøkostnader. For disse er det innarbeidet enhetskostnader i Statens vegvesens EFFEKT-program og Jernbaneverkets regnearkmodell Merklin. Vi vil ikke gå gjennom disse her, men konsentrere oss om enhetskostnader direkte knyttet til sykling.
3.3.1 Betalingsvillighetsundersøkelser
Betalingsvillighetsundersøkelser er en metode for å sette økonomisk verdi på goder eller ulemper som ikke har en pris i et marked. I transport kan det gjelde verdsetting av tidsbruk, liv og helse, utrygghet og eventuelt kvalitet på
infrastrukturen. En utbredt metode for å avdekke betalingsvillighet i
transportsektoren er såkalte stated preference-studier der deltakerne stilles ovenfor en serie hypotetiske valg mellom reiser med ulik pris og ulike kvaliteter.
Svarene gir et grunnlag for å anslå, ved hjelp av statistiske metoder,
betalingsvillighet for de kvalitetene som inngår. En innvending mot metoden er at valgene er hypotetiske – man vet ikke om deltakerne faktisk ville ha handlet i tråd med svarene sine. Det faglige grunnlaget for utforming av spørsmål og
analyseopplegg er utviklet gjennom mange år, slik at det tas grep for å gjøre framstillingen lettfattelig for deltakerne og tilstrebe realisme i svarene. Blant annet tas det gjerne utgangpunkt i en reise som deltakeren har gjennomført, og de valgene vedkommende blir presentert for er ofte variasjoner rundt faktiske forhold ved den gjennomførte reisen (for eksempel kortere reisetid til høyere pris). En utfordring ved å anvende denne typen betalingsvillighetsundersøkelser når det gjelder kvaliteter ved sykkelturer, er å finne en relevant prisvariabel. Man kjøper jo
for eksempel verken billett eller drivstoff for å sykle. Utfordringen er løsbar. For ikke å gå for langt i tekniske detaljer her viser vi til for eksempel den nasjonale
verdsettingsstudien (Samstad m.fl., 2010), der verdier for reisetid og andre aspekter ved sykling ble undersøkt ved hjelp av stated preference.
3.3.2 Spart reisetid
Tidsverdier for sykling gjelder når sykkelen brukes som et framkomstmiddel, og altså ikke når formålet med syklingen primært er rekreasjon eller mosjon.
I Tabell 3-2 vises tidsverdier for sykkel fra noen utvalgte land hvor
nyttekostnadsmetodikken er sammenliknbar med den norske. For å kunne
sammenlikne nivået på de ulike verdiene er de i siste kolonne omregnet til samme valuta og prisnivåår.
Kilde Verdi i kilden Omregnings-
faktor
Verdi i NOK, 2013-prisnivå Norge:
TØI-rapport 1053B/2010 130 NOK/time i 2009 1,1676
(lønnsindeks) 152 kr/time Danmark:
Danmarks Tekniske Universitet,
Transportøkonomiske enhedspriser
87 DKK/time i 2013 1,047 (valuta-
kurs 2013) 91 kr/time
Sverige:
Trafikverket 2014, ASEK 5.1, Kap. 7 Tid och kvalitet i persontrafik
SEK/time i 2010
0,8402 (valuta- kurs 2010) * 1,1259 (lønns-
indeks)
Blandet trafikk 150 142 kr/time
Sykkelfelt 135 128 kr/time
Sykkelveg ved bilveg 125 118 kr/time
Egen sykkelveg 120 114 kr/time
Storbritannia:
Department for Transport, WebTAG databook
£/time i 2010 9,3402 (valuta- kurs 2010) * 1,1259 (lønns-
indeks)
Tjenestereiser 17,47 184 kr/time
Til/fra arbeid 6,81 72 kr/time
Øvrige reiser 6,04 64 kr/time
Tabell 3-2 Verdi av spart reisetid ved sykling i Norge, Danmark, Sverige og Storbritannia I de svenske tidsverdiene skilles det mellom ulike kvaliteter på
sykkelinfrastrukturen. Jo dårligere infrastruktur, jo høyere verdsettes innkorting av reisetiden. For å kunne anvende dette i nyttekostnadsanalyser er det behov for inngangsdata som skiller mellom infrastrukturtypene når det gjelder reisetid med sykkel.
I de britiske tidsverdiene er det skilt mellom reisehensikter, noe det for øvrig er i de danske også, men den danske kilden presenterer i tillegg en vektet
gjennomsnittsverdi. Reisehensiktsfordelingen for syklister i gang- og
sykkelmodulen i EFFEKT (Statens vegvesen, 2008) er 13 prosent i tjenestereise, 5 prosent til/fra arbeid og 82 prosent øvrige reiser. Med denne fordelingen ville gjennomsnittet av de britiske tidsverdiene for sykkel tilsvare 80 norske kroner pr time i 2013-priser.
Som det framgår, ligger den norske tidsverdien en del høyere enn verdiene fra Danmark, Sverige og Storbritannia, men likevel ikke bemerkelsesverdig høyere.
For andre transportmidler vil vi finne liknende forskjeller: Tidsverdier for reiser med bil og kollektivtrafikk på korte reiser er på samme nivå i Norge som i Sverige, mens for lange reiser er de norske tidsverdiene høyere enn de svenske.
3.3.3 Helsegevinst
Figur 3-2 Økonomiske effekter av bedre helse ved sykling
Figur 3-2 illustrerer at økt sykling fører til bedre helse, som i sin tur fører til sparte kostnader for den enkelte og for samfunnet. Velferdstap kan prissettes gjennom undersøkelser hvor hensikten er å avdekke betalingsvilligheten for å unngå tap av liv og helse. Produksjonsbortfall og medisinske og administrative kostnader er realøkonomiske kostnader som kan anslås gjennom analyse av relevante data.
Tabell 3-3 viser prissatte helsegevinster ved sykling. Norske verdier sammenliknes med verdier fra Danmark. Britiske og svenske verdier er vanskelig å sammenlikne med de danske og norske da de sparte helsekostnadene i britisk og svensk metodikk ikke regnes pr kilometer, men i forventet antall sparte liv som følge av tiltaket (noe vi kommer tilbake til nedenfor). Deretter legges det til en gevinst av spart sykefravær (produksjonsbortfall).
De norske verdiene inneholder alle de tre elementene til høyre i figuren ovenfor.
Det er vist to sett av norske verdier, der den ene brukes av Statens vegvesen og som grunnlag i transportetatenes håndbøker for samfunnsøkonomiske analyser.
Det andre settet er fra den norske verdsettingsstudien (Veisten m.fl., 2010).
Verdiene som brukes av Statens vegvesen er basert på en anbefaling fra
Helsedirektoratet (2014) som tar utgangspunkt i at økonomisk verdsetting knyttet til liv og helse i ulike deler av Statens vegvesens nytteberegninger bør være
konsistent. Det innebærer at en verdi av statistisk liv på 30 millioner 2012-kroner legges til grunn, i tråd med anbefalingen fra NOU 2012:16. Verdiene fra TØIs verdsettingsstudie er dels en prisjustering av tidligere anvendte verdier, og dels et resultat av studiens konklusjoner angående hvor stor andel av syklistene som vil få en helsegevinst av økt sykling. Siden sykling som transportform i noen tilfeller foretas av personer som allerede bedriver fysisk aktivitet med høy intensitet, og
noe sykling for transportformål vil erstatte annen trening, er det ikke all økt sykling som fører til økt fysisk aktivitet eller forbedring av helsen. Tidligere har det vært antatt at 50 prosent av syklistene får helsegevinst av den økte syklingen. Basert på svar fra verdsettingsstudien anslår TØI andelen til 30 prosent.
Kilde Verdi i kilden Omregnings-
faktor
Verdi i NOK, 2013-prisnivå Norge:
Brukes av Statens vegvesen, basert på Helsedirektoratet 2014
NOK/km i 2012
1,039 (lønns- indeks)
Kortvarig sykefravær 1,71 1,78 kr/km
Langvarig sykdom 23,66 24,58 kr/km
Sum 25,37 26,36 kr/km
Norge:
Den norske
verdsettingsstudien - TØI-rapport 1053F/2010
NOK/km i 2009
1,1676 (lønnsindeks)
Kortvarig sykefravær 1,10 1,28 kr/km
Langvarig sykdom 1,90 2,22 kr/km
Sum 3,00 3,50 kr/km
Danmark:
Danmarks Tekniske Universitet,
Transportøkonomiske enhedspriser
DKK/km i 2013
1,047 (valuta- kurs 2013) Samfunnets
helsegevinst 2,47 2,59 kr/km
Individuell
helsegevinst 4,32 4,52 kr/km
Tabell 3-3 Verdi av helsegevinst ved sykling fra Norge og Danmark
De norske verdiene som brukes av Statens vegvesen ligger betydelig høyere enn de øvrige som er vist i Tabell 3-3. Tidligere benyttet man vesentlig lavere verdier også i Norge. De høye verdiene som anvendes nå bidrar til at helseeffekten blir et veldig viktig nytteelement i enkelte prosjekter, for eksempel jernbaneprosjekter med økt gang og sykkel til og fra stasjoner (og da er det tatt hensyn til avstand i transportmiddelvalget). Mange har stusset over resultatene. Det er ikke dermed sagt at de er gale, men de bør i det minste begrunnes godt. Helsedirektoratet påpeker også at det er stor usikkerhet i verdianslagene, og at grunnlaget bør vurderes ved neste større revisjon av Håndbok V712.
Metoden for å beregne helsegevinster av sykling i britiske WebTAG gir et anslag på sparte liv per år, og bruker verdien av statistisk liv til å komme fram til en økonomisk verdi. I tillegg til dette beregnes en verdi av redusert korttidsfravær. For å finne anslaget på sparte liv per år er det behov for forutsetninger om relativ dødsrisiko. Relativ risiko er et mål som uttrykker hvordan det å sykle påvirker risikoen for tidlig død. Hvis risikoen hadde vært den samme som om man ikke syklet, ville relativ risiko vært lik 1. WebTAG viser til at det i København ble funnet at relativ risiko for syklister var 0,72 ved 36 minutters sykling per hverdag. Ved 29 minutters sykling var relativ risiko 0,78. I et regneeksempel i WebTAG tas det utgangspunkt i den relative risikoen på 0,72. Gjennomsnittsdistansen i København var på 1620 kilometer årlig. I eksemplet brukes gjennomsnittsdistansen i
studieområdet til å justere den relative risikoen:
1 – Relativ risiko i København = 1 – 0,72 = 0,28.
Km årlig pr syklist i studieområdet / Km årlig pr syklist i København
= 912 / 1620.
1 – Relativ risiko i studieområdet = 0,28 * 912 / 1620 = 0,158.
Dersom den årlige dødsraten i befolkningen er 0,00235, forventes den for de nye syklistene å bli 0,00235 * 0,158 = 0,00037. Med 100 nye syklister er anslaget på sparte liv årlig altså 0,037. Dette er i WebTAG verdsatt til 0,037
* 1,654 mill. = £61269 (2010-pris).
Regneeksemplet sier ingenting om spart helsegevinst per kilometer syklet, men ut fra opplysningen om 912 kilometer kan vi beregne denne. Tar vi hensyn til
valutakurs og omregning til 2013-prisnivå med samme forutsetninger som i Tabell 3-2, finner vi en verdi på ca. 7 kr/km. I tillegg til dette kommer redusert
korttidsfravær. Det må understrekes at dette ikke er en beregning av anbefalt britisk verdi, men en utledning basert på et regneeksempel under spesifikke forutsetninger.
Anbefaling for helsegevinst knyttet til redusert korttidsfravær i den britiske
metodikken går ut på å multiplisere gjennomsnittlig antall dager korttidsfravær per år (eksempelvis 6,8 dager) med anslag på hvor mye sykling kan redusere fraværet (minst 6 prosent). Det resulterende antallet dager (her 0,4 dager) multipliseres så med brutto lønnskostnader.
Prissettingen av helsegevinstene ved sykling bygger på sammenhenger mellom sykling, fysisk aktivitet og helse. Det er foretatt mange studier av helseeffekter ved sykling, og vi skal se nærmere på noen av dem her. Det er en rekke kilder som underbygger at å være aktiv, for eksempel ved sykling, har en positiv effekt i form av redusert risiko for en rekke sykdommer. Disse kildene har vært med på å danne grunnlag for noen av studiene som har som mål å mer spesifikt belyse
helseeffekten og den samfunnsøkonomiske gevinsten som oppnås ved at flere sykler.
Ifølge kildene finnes det få konkluderende intervensjonsstudier hvor en gruppe følges tett i forbindelse med overgang fra inaktivitet til å sykle, der man også har en kontrollgruppe. Undersøkelsene er i stor grad basert på indirekte undersøkelser av redusert sykefravær og lignende.
WHO (2014) har utviklet en enkel modell for helseeffekter av gang og sykkel:
Health Economic Assessment Tool (HEAT). Ved å skrive inn noen få opplysninger om trafikkarbeidet (antall kilometer syklet) i studieområdet og antall personer som får nytte av tiltaket, får man et resultat på forbedret overlevelse i prosent samt en årlig økonomisk gevinst. I modellen ligger det forutsetninger om hvor stor effekt syklingen har på redusert dødelighet (se Tabell 3-4), og en verdi av statistisk liv basert på et europeisk gjennomsnitt. Brukeren har mulighet til å legge inn sitt lands verdi på statistisk liv.
Aldersgruppe som modelldataene passer for
20–64 år
Relativ risiko 0,90
Mengde sykling 100 minutter/uke
Øvre grense for helsevirkning 45 % (450 minutter/uke)
Tabell 3-4 Forutsetninger om helseeffekt av sykling anvendt i modellen HEAT (WHO, 2014)